随着计算机和数字技术的快速发展,数字图像已成为计算机视觉领域的重要存储和视觉信息传递的方式。但在实际成像过程中,由于受客观条件等因素的影响,使得最后获取的图像往往分辨率较低、图像质量较差。因此,基于现有的成像设备和低质量图像,通过软件的方式提高图像分辨率的超分辨率重建技术产生。并且,该技术被广泛用于医学成像、安全检测、工艺品修复等领域。目前,基于学习的超分辨率重建技术是超分辨率图像重建工作的研究热点。本文主要围绕单幅图像的超分辨率重建过程中稀疏表示（SR）图像特征存在的问题,提出面向金字塔图像训练集的增强超分辨率和固定图像尺寸的非金字塔图像训练集的改进超分辨率重建研究方法。该方法以SR和协作表达（CR）图像特征,及建立低分辨率（LR）和高分辨率（HR）图像的SVR模型为研究主线,最终解决单幅图像的超分辨率重建问题。主要研究内容有:1、研究分析近几年基于SR或SVR理论的超分辨率重建方法的实现原理,确立超分辨率重建问题的关键为图像特征表达和LR图像空间到HR图像空间的映射关系。针对传统方法稀疏表达LR图像块系数时忽略图像连续性特点而均等像素点作用的问题,运用加权思想重新表达LR图像块,提出一种增强的超分辨率重建方法,强调了中心像素点在构建图像块稀疏系数时的作用,降低了LR图像块到HR图像对应像素点的重建映射误差;2、针对图像的SR过程依赖大训练样本字典的局限性,及?₁-范数倾向于忽略大量图像特征的问题,在稀疏表达LR图像特征时,采用基于?₂-范数的CR方法“弱稀疏”化,提出一种可以保留更多图像特征的改进的超分辨率重建方法。相比基于?₁-范数的SR的超分辨率重建方法,改进的超分辨率重建方法在建立LRHR图像回归映射模型时考虑了较多的图像特征,大大提高了重建图像质量。大量仿真实验验证了本论文提出的超分辨率重建方法的可行性和有效性。相对其它传统的超分辨率重建方法,其在多个图像质量评估指标上取得了更优的测试结果,同时为进一步的超分辨率重建算法研究提供了新的思路和方法。